Stimme und Sprache
Anyy trennt eingehendes Sprache-zu-Text (STT) von ausgehendem Text-zu-Sprache (TTS). Beides lässt sich unabhängig konfigurieren. Spracheinstellungen und Zugangsdaten sind von einer funktionierenden Textchatroute unabhängig.
Konfigurieren und testen
Öffnen Sie Dashboard → Modelle → Sprache oder Dashboard → Werkzeuge → Sprache. Wählen Sie TTS oder STT, geben Sie API-Wurzel und Zugangsdaten ein, entdecken oder benennen Sie ein Modell und wählen Sie das passende Protokoll.
Konfigurieren Sie für TTS Stimme, Antwortformat, Zeitlimit, maximale Textlänge und automatisches Antwortverhalten; verwenden Sie die Audiovorschau. Für STT konfigurieren Sie Sprache, Zeitlimit, Größen-/Textlimits und Fehlerrichtlinie und führen dann den Verbindungstest aus. Ein Katalogergebnis beweist keine funktionierende echte Synthese- oder Transkriptionsanfrage mit Ihrem Konto.
CLI-Assistenten:
anyy tools voice tts
anyy tools voice stt
Sprachprotokolle
| Fähigkeit | protocol | Anfragevertrag |
|---|---|---|
| TTS | audio-speech | Audio-Speech-Endpunkt (/audio/speech) |
| TTS | chat-audio-output | Chat Completions mit erzeugtem Audio (/chat/completions) |
| STT | audio-transcriptions | Multipart-Audiotranskription (/audio/transcriptions) |
| STT | chat-audio-input | Chat Completions mit Audioeingabe (/chat/completions) |
Verwenden Sie eine API-Wurzel wie https://api.example.com/v1, nicht /models, /audio/speech, /audio/transcriptions oder /chat/completions. Die kanonische Sprachendpunktform verlangt HTTPS, außer Loopback-HTTP für lokale Server. Sie lehnt URL-Zugangsdaten, Querystrings, Fragmente und authentifizierte Weiterleitungen ab.
Bekannte Modellverträge wählen das passende Protokoll. Die implementierte Route mimo-v2.5-tts verwendet beispielsweise chat-audio-output, mimo-v2.5-asr verwendet chat-audio-input. Das begründet keine Unterstützung beliebiger künftiger MiMo-IDs, Echtzeitsprache, Stimmenklonen, Stimmendesign oder Sprechersegmentierung; diese Spezialmodelle sind von gewöhnlicher Erkennung ausgeschlossen. Ein unbekanntes manuell eingegebenes Modell benötigt ein explizites gültiges Protokoll und einen erfolgreichen Test.
Erweiterte Profilkonfiguration unterstützt auch benannte Anbieter openai/openai-compatible oder vertrauenswürdige lokale command-Anbieter; TTS zusätzlich benanntes openai-chat-audio. Befehlsrouten werden unter tts.providers oder media_understanding.audio.providers konfiguriert, nicht durch einen Befehl als HTTP-Basis-URL.
Audio transkribieren
Verwenden Sie einen Kanal-/Eingabeweg, der einen unterstützten audio- oder voice-Anhang liefert. Die konfigurierte STT-Route wandelt ihn vor der Gesprächsanfrage um. Direkte Dashboard-Uploads stufen Nicht-PNG/JPEG derzeit als gewöhnliche Dateien ein; eine dort hochgeladene Audiodatei löst daher nicht automatisch STT aus. Siehe Medienverständnis.
Die Standard-Audiorichtlinie ist Transkription zuerst, höchstens 25 MiB Eingabe, 12.000 Transkriptzeichen und 60 Sekunden Zeitlimit. annotate, ignore und fail steuern fehlgeschlagene Transkription. Die Zeitlimitobergrenze des Sprachendpunkts beträgt 600.000 ms. Protokoll-/Modellgrenzen können kleiner sein: mimo-v2.5-asr akzeptiert nur MP3/WAV und begrenzt Base64-Eingabe auf 10.000.000 Bytes (höchstens 7.500.000 rohe Bytes).
Ein Sprachhinweis wird gesendet, soweit unterstützt. Er garantiert weder wortgetreue Transkription noch Sprecherkennzeichnung; ein falscher Hinweis kann mehrsprachige Erkennung beeinträchtigen.
Gesprochene Antworten erzeugen
Wenn text_to_speech verfügbar ist, fragen Sie:
Reply with a short voice message in a calm tone.
Ein erfolgreiches Ergebnis wird ein als KI-generierte Stimme markierter Audioanhang. Endpunkt, Format und Zielkanal bestimmen die Zustellung. Standard-TTS-Adapter erlauben standardmäßig 4.096 Eingabezeichen und kürzen längeren Text; setzen Sie ein geeignetes Maximum oder bitten Sie um eine kurze Antwort. Vorschau- und Syntheseanfragen können kostenpflichtiges Kontingent verbrauchen.
Automatische Kanalantworten
voice.auto_tts liefert das Standard-Kanalverhalten. In unterstützten Kanalgesprächen:
| Befehl | Verhalten |
|---|---|
/voice | Zwischen aus und Antworten nur auf Spracheingabe umschalten |
/voice on | Sprache für Antworten auf Spracheingabe erzeugen |
/voice tts | Sprache für alle Antworten erzeugen |
/voice off | Automatische Sprache für dieses Gespräch deaktivieren |
/voice status | Modus und explizite oder Standardeinstellung anzeigen |
Die Gesprächseinstellung überschreibt die Profilvorgabe. Sie erfordert weiterhin funktionierenden TTS-Dienst und unterstützte Audiozustellung; Kanalgrößen-/Formatlimits werden nicht umgangen.
Aufnahmen, Transkripte oder Antworttext können das Gerät verlassen. Prüfen Sie Datenschutz-, Aufbewahrungs-, Regions- und Abrechnungsbedingungen vor Verwendung vertraulicher Inhalte.
Fehlerbehebung
| Symptom | Prüfung |
|---|---|
| Audio hat kein Transkript | Anhang ist audio/voice, STT aktiviert und Format/Größe/Protokoll unterstützt |
| TTS-Werkzeug nicht verfügbar | TTS-Route konfiguriert/aktiviert und Gesprächswerkzeuge stellen text_to_speech bereit |
| Vorschau schlägt fehl | API-Wurzel, Zugangsdaten, Modell, Protokoll, Stimme und Ausgabeformat |
| Kanal erhält nur Text | Sprachmodus, TTS-Verfügbarkeit und Audiozustellunterstützung des Kanals |
| Sprache abgeschnitten | TTS-Textlimit oder STT-Grenzen und Anbieterzeitlimit |